اتحادخبر: یک فناوری ردیابی پیشگامانه که درک جدیدی از نحوه‌ی حرکت مورچه‌های صحرایی به ما می‌دهد می‌تواند الهام‌بخش نسل بعدی ربات‌های هوشمند و کارآمد باشد.

 

ایسنا نوشت: طی یک همکاری تحقیقاتی بین‌المللی که شامل دانشگاه شفیلد می‌شود، فناوری ردیابی جدیدی توسعه یافته است که در آن از بینایی رایانه‌ای استفاده می‌شود. بینایی رایانه‌ای زمینه‌ای از علوم رایانه است که در آن رایانه‌ها برای تفسیر و درک تصاویر و ویدیوها برنامه‌ریزی می‌شوند. از این فناوری برای ردیابی منفرد مورچه‌های صحرایی در تمام طول عمرشان استفاده شد. این ابزار سفر مورچه را از زمانی که برای اولین بار لانه‌اش را ترک می‌کند تا زمانی که غذایی پیدا می‌کند و به خانه خود بازمی‌گردد، ثبت کرد.

مجموعه داده‌های جدید آنها نشان داده است که مورچه‌ها به طرز باورنکردنی سریع یاد می‌گیرند. آن‌ها پس از یک سفر موفق، مسیرهای بازگشت به خانه را به خاطر می‌سپارند. اما به طرز جالبی، مسیرهای خارج از خانه در طول زمان تکامل می‌یابد که نشان‌دهنده استراتژی‌های مختلف برای اکتشاف است. این داده‌ها با دقت بالا همچنین یک حرکت نوسانی را نشان می‌دهد که برای چشم انسان نامرئی است، که می‌تواند توضیح دهد که چگونه مورچه‌ها الگوهای جستجوی پیچیده‌ای را متناسب با شرایط فعلی ایجاد می‌کنند.

از آنجایی که این نرم‌افزار جدید را می‌توان در انواع مختلف حیوانات مورد استفاده قرار داد در حال حاضر گروه‌های تحقیقاتی بین‌المللی متعددی آن را به کار گرفته‌اند. داده‌هایی که با دقت بالا جمع‌آوری‌شده‌اند برای رسیدن به درک آن که چگونه مغز حیوانات آن‌ها را در دنیای پیچیده‌شان هدایت می‌کند، ضروری هستند و می‌توانند الهام‌بخش نسل جدیدی از ربات‌های الهام‌گرفته از طبیعت باشند.

این فناوری و مجموعه‌ داده‌های جدید توسط دکتر مایکل مانگان(Michael Mangan)، مدرس ارشد یادگیری ماشینی و رباتیک در گروه علوم رایانه دانشگاه به همراه لارس هالک(Lars Haalck) و بنجامین ریسه(enjamin Risse) از دانشگاه مونستر، آنتوان وایستراخ(Antoine Wystrach) و لئو کلمنت(Leo Clement) از مرکز زیست‌شناسی یکپارچه تولوز و باربارا وب(Barabara Webb) از دانشگاه ادینبرو در مطالعه جدیدی که در مجله «Science Advances» منتشر شده، ارائه شد.

این مطالعه توضیح می‌دهد که چگونه ترکیب ردیابی حیوانات و بازسازی محیط از هوش مصنوعی و بینایی رایانه‌ای برای ردیابی موقعیت یک حشره در ویدئوها استفاده می‌کند. این سیستم حتی می‌تواند اشیاء کوچکی را که به سختی با چشم دیده می‌شود شناسایی کند و در برابر ناهنجاری‌های پس‌زمینه، موانع و سایه‌ها مقاوم است و این موضوع به آن اجازه می‌دهد تا در زیستگاه طبیعی حیوانات که سایر سیستم‌ها از کار می‌افتند، عمل کند.

دکتر مایکل منگان، مدرس ارشد یادگیری ماشینی و رباتیک در دانشگاه شفیلد، گفت: ما این داده‌ها را در یک سفر میدانی تابستانی به دست آوردیم، اما ساخت سیستمی با قابلیت استخراج داده‌ها ۱۰ سال طول کشیده است.

من همیشه مجذوب این بوده‌ام که چگونه این حشرات می‌توانند مسافت‌های طولانی تا یک کیلومتر را در چنین مناطق صعب‌العبوری که دمای آنها به بیش از ۵۰ درجه سانتی‌گراد می‌رسد، طی کنند.

تا به امروز، مورچه‌های صحرایی به صورت دستی و با استفاده از قلم و کاغذ ردیابی می‌شده‌اند. در آن روش شبکه‌ای روی زمین با ریسمان و میله‌ها ساخته میشد و بر حرکت مورچه‌ها در داخل آن نظارت می‌شد. روش دیگری که در این مورد استفاده می‌شود استفاده از سیستم موقعیت‌یاب جهانی(GPS) است که تجهیزات آن گرانقیمت بوده و دقت پایینی دارد.

فقدان یک روش کم‌هزینه و قدرتمند برای ثبت دقیق مسیرهای حرکت حشرات منجر به ایجاد شکاف‌هایی در دانش ما در مورد رفتار مورچه‌های صحرایی شده است. به‌ویژه در مورد نحوه یادگیری مسیرهای بصری، سرعت انجام این کار و استراتژی‌هایی که به کار می‌برند.

در این روش جدید ردیابی بصری با ضبط فیلم با وضوح بالا از مورچه‌ها در محیط طبیعی و استفاده از فناوری تصویربرداری برای شناسایی مورچه‌ها منفرد بر اساس حرکت آن‌ها، به این چالش‌ها پرداخته می‌شود.

این رویکرد جدید، شکاف بین مطالعات میدانی و آزمایشگاهی را پر می‌کند و درک منحصربه‌فردی را در مورد رفتار ناوبری مورچه‌ها ارائه می‌دهد. چنین داده‌هایی در آشکار ساختن اینکه چگونه حیواناتی با مغز کوچک‌تر از سر سوزن به طور موثر در محیط‌های پیچیده حرکت می‌کنند، بسیار مهم خواهد بود.

دکتر مانگان گفت: مورچه‌های صحرایی الهام‌بخش نسل بعدی ربات‌ها هستند. آنها مسافت‌های طولانی را در محیط‌های نامناسب طی می‌کنند و مانند سایر مورچه‌ها به مسیرهای مبتنی بر فرومون(Pheromone) یا مانند ربات‌های فعلی به GPS و ۵G متکی نیستند.

فرومون یک ماده‌ی شیمیایی است که توسط حشرات برای رساندن پیامی به سایر اعضای همان گونه ترشح می‌شود.

ما امیدواریم که این ابزار به ما این امکان را بدهد که تصویر کامل‌تری از نحوه یادگیری حشرات در مورد حرکت در زیستگاه‌شان به دست آوریم و مهندسان را در مورد چگونگی ساختن سیستم‌های مصنوعی با توانایی مشابه آگاه کنیم.